NumPy - 线性代数
NumPy 包包含numpy.linalg
模块,提供线性代数所需的所有功能。 此模块中的一些重要功能如下表所述。
序号 | 函数及描述 |
---|---|
1. | dot 两个数组的点积 |
2. | vdot 两个向量的点积 |
3. | inner 两个数组的内积 |
4. | matmul 两个数组的矩阵积 |
5. | determinant 数组的行列式 |
6. | solve 求解线性矩阵方程 |
7. | inv 寻找矩阵的乘法逆矩阵 |
numpy.dot()
此函数返回两个数组的点积。 对于二维向量,其等效于矩阵乘法。 对于一维数组,它是向量的内积。 对于 N 维数组,它是a
的最后一个轴上的和与b
的倒数第二个轴的乘积。
import numpy as np a = np.array([[1,2],[3,4]]) b = np.array([[11,12],[13,14]]) np.dot(a,b) #结果 array([[37, 40], [85, 92]])
要注意点积计算为:
[[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]
numpy.vdot()
此函数返回两个向量的点积。 如果第一个参数是复数,那么它的共轭复数会用于计算。 如果参数id
是多维数组,它会被展开。
例子
a = np.array([[1,2],[3,4]]) b = np.array([[11,12],[13,14]]) print np.vdot(a,b) #结果 130
注意向量的点积的计算过程:1*11 + 2*12 + 3*13 + 4*14 = 130
numpy.inner()
此函数返回一维数组的向量内积。 对于更高的维度,它返回最后一个轴上的和的乘积。
例子
a = np.array([1,2,3]) b = np.array([0,1,0]) np.inner(a,b) # 等价于 1*0+2*1+3*0 #结果 2 # 多维数组示例 a = np.array([[1,2], [3,4]]) b = np.array([[11, 12], [13, 14]]) np.inner(a,b) #结果 array([[35, 41], [81, 95]])
上面的例子中,内积计算如下:
1*11+2*12, 1*13+2*14
3*11+4*12, 3*13+4*14
numpy.linalg.det()
行列式在线性代数中是非常有用的值。 它从方阵的对角元素计算。 对于 2×2 矩阵,它是左上和右下元素的乘积与其他两个的乘积的差。
换句话说,对于矩阵[[a,b],[c,d]]
,行列式计算为ad-bc
。 较大的方阵被认为是 2×2 矩阵的组合。
numpy.linalg.det()
函数计算输入矩阵的行列式。
例子
a = np.array([[1,2], [3,4]]) np.linalg.det(a) #结果 -2.0000000000000004 b = np.array([[6,1,1], [4, -2, 5], [2,8,7]]) np.linalg.det(b) #结果 -306.0计算过程
6*(-2*7 - 5*8) - 1*(4*7 - 5*2) + 1*(4*8 - -2*2) =
numpy.linalg.solve()
numpy.linalg.solve()
函数给出了矩阵形式的线性方程的解。
考虑以下线性方程:
x + y + z = 6
2y + 5z = -4
2x + 5y - z = 27
可以使用矩阵表示为:
如果矩阵成为A
、X
和B
,方程变为:
AX = B
或
X = A^(-1)B
列子
b = np.array([[6,1,1], [4, -2, 5], [2,8,7]]) a = np.array([1,3,5]) np.linalg.solve(b,a) #结果 array([ 0.05228758, 0.09150327, 0.59477124])
numpy.linalg.inv()
我们使用numpy.linalg.inv()
函数来计算矩阵的逆。 矩阵的逆是这样的,如果它乘以原始矩阵,则得到单位矩阵。
例子
x = np.array([[1,2],[3,4]]) y = np.linalg.inv(x) #结果 array([[-2. , 1. ], [ 1.5, -0.5]]) np.dot(x,y) #结果 array([[ 1.00000000e+00, 1.11022302e-16], [ 0.00000000e+00, 1.00000000e+00]]) # 现在让我们在示例中创建一个矩阵A的逆 a = np.array([[1,1,1],[0,2,5],[2,5,-1]]) ainv = np.linalg.inv(a) #结果 array([[ 1.28571429, -0.28571429, -0.14285714], [-0.47619048, 0.14285714, 0.23809524], [ 0.19047619, 0.14285714, -0.0952381 ]]) b = np.array([[6],[-4],[27]]) # 计算:A^(-1)B np.linalg.solve(a,b) #结果 array([[ 5.], [ 3.], [-2.]]) #也可用 np.dot(ainv ,b) #结果 array([[ 5.], [ 3.], [-2.]])